論文の概要: LCoT-GV: Graph Attention Networks for Verifying Long Reasoning Chains in Large Language Models

• arxiv url: http://arxiv.org/abs/2608.30679v1
• Date: Mon, 31 Aug 2026 12:21:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.385048
• Title: LCoT-GV: Graph Attention Networks for Verifying Long Reasoning Chains in Large Language Models
• Title（参考訳）: LCoT-GV:大規模言語モデルにおける長共振器の検証のためのグラフ注意ネットワーク
• Abstract要約: 本稿では,Long Chain-of-Thought Graph Verifier (LCoT-GV)を推論グラフとして表現するグラフベースのフレームワークを提案する。 グラフ注意ネットワークは、推論グラフからチェーンオブ思考の正しさを予測するために訓練される。
• 参考スコア（独自算出の注目度）: 1.546945230112218
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large Reasoning Models produce Long Chains-of-Thought (LCoTs) which involve breaking down the problem into smaller reasoning steps before reaching the conclusion. However, these steps often contain contradictions, unsupported inferences, or irrelevant steps, even when the final answer is correct. We propose Long Chain-of-Thought Graph Verifier (LCoT-GV), a graph-based framework that represents LCoTs as reasoning graphs. Each node in the graph represents a reasoning step and the edges encode semantic and logical relations. A Graph Attention Network is then trained to predict chain-of-thought correctness from the reasoning graph. We construct a new graph-oriented verification dataset from multiple reasoning benchmarks for question answering in various domains. The results show that our method is competitive with the most similar approaches.
• Abstract（参考訳）: 大きな推論モデルは、結論に達する前に問題をより小さな推論ステップに分解するLong Chains-of-Thought(LCoT)を生成する。 しかしながら、これらのステップは、最終的な答えが正しい場合でも、矛盾、無関係な推論、あるいは無関係なステップを含むことが多い。 本稿ではLong Chain-of-Thought Graph Verifier (LCoT-GV)を提案する。 グラフの各ノードは推論ステップを表し、エッジは意味論と論理的関係を符号化する。 グラフ注意ネットワークは、推論グラフからチェーンオブ思考の正しさを予測するために訓練される。 様々な領域における質問応答のための複数の推論ベンチマークからグラフ指向の検証データセットを構築した。 その結果,本手法は最も類似した手法と競合することがわかった。

関連論文リスト

• From Chains to Graphs: Self-Structured Reasoning for General-Domain LLMs [52.0811904328273]
  現実の推論には、複数の前提を統合し、サブプロブレムを並列に解決する必要がある。 最近のアプローチでは、外部に提供されたグラフに依存しており、LCMが独自のグラフ構造化推論を構築し、利用する方法については検討していない。 我々は,LLMが最終回答を生成する前に,その推論プロセスを構造化グラフとして明示的に表現できるフレームワークであるSelf-Graph Reasoning (SGR)を提案する。
  論文  参考訳（メタデータ） (2026-01-07T05:27:41Z)
• SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answering [24.405588261303834]
  SentGraphは文レベルグラフベースのRAGフレームワークで、マルチホップ質問応答のための文間のきめ細かい論理的関係を明示的にモデル化する。 オンライン検索中、SentGraphはグラフ誘導型エビデンスの選択と経路拡張を行い、きめ細かい文レベルのエビデンスを取得する。
  論文  参考訳（メタデータ） (2026-01-06T13:39:51Z)
• Rethinking and Benchmarking Large Language Models for Graph Reasoning [36.30471027175558]
  グラフ推論のための大規模言語モデル(LLM)は、過去2年間にわたって広く研究されてきた。 近年の研究では、LLMがグラフ推論タスクを扱う可能性を示しているが、その性能は過大評価されている。
  論文  参考訳（メタデータ） (2025-09-29T04:10:12Z)
• Graph-R1: Incentivizing the Zero-Shot Graph Learning Capability in LLMs via Explicit Reasoning [7.1931434571877375]
  グラフニューラルネットワーク(GNN)は固定ラベル空間によって制限されるが、Large Language Models(LLM)は構造的帰納バイアスを欠いている。 近年のLarge Reasoning Models (LRMs) の進歩は、明示的な長い連鎖推論を通じてゼロショットの代替手段を提供する。 本稿では,LRMによるテキスト推論問題として,ノード分類,リンク予測,グラフ分類などのグラフタスクを再構成するGNNフリーアプローチを提案する。
  論文  参考訳（メタデータ） (2025-08-24T14:49:02Z)
• Do Larger Language Models Generalize Better? A Scaling Law for Implicit Reasoning at Pretraining Time [73.22651918134808]
  この研究は、モデルサイズのスケーリングによる直感的効果を示し、言語モデル(LM)におけるスケーリングと推論の関係に関する新たな洞察を提供する。 我々は,実世界の大規模知識グラフの構造と分布を再現する合成暗黙のマルチホップ推論環境において,ゼロからLMを事前学習する。 次に、実世界の事前学習における暗黙的推論の単純化とみなすことができるマルチホップ推論を必要とする、グラフの欠落したエッジを完遂するLMの能力を評価する。
  論文  参考訳（メタデータ） (2025-04-04T17:57:22Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Graph Elicitation for Guiding Multi-Step Reasoning in Large Language Models [16.432208223793666]
  Chain-of-Thoughtはサブクエスト生成と応答を促進させ、多段階推論機能を強化した。 本稿では,GE-Reasoning法を提案する。 提案手法は,マルチホップ質問応答ベンチマークデータセットにおいて,従来のCoTプロンプト手法とその変種よりも優れていた。
  論文  参考訳（メタデータ） (2023-11-16T10:36:08Z)
• Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models [74.40196814292426]
  本稿では,人間の思考過程をチェーンとしてだけでなく,グラフとしてモデル化するグラフ・オブ・ソート(GoT)推論を提案する。 GoTは人間の思考の連続しない性質を捉え、思考プロセスのより現実的なモデリングを可能にします。 テキストのみの推論タスクとマルチモーダル推論タスクでGoTの性能を評価する。
  論文  参考訳（メタデータ） (2023-05-26T02:15:09Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• SRLGRN: Semantic Role Labeling Graph Reasoning Network [22.06211725256875]
  この研究は、マルチホップ質問応答(QA)に対する学習と推論の課題を扱う。 本稿では,文の意味構造に基づくグラフ推論ネットワークを提案し,段落間の推論経路を学習する。 提案手法は,最近の最先端モデルと比較して,HotpotQAトラクタ設定ベンチマークにおける競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-07T18:51:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。